基于计算机视觉和深度学习的自动驾驶方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-21页 |
| 1.1 课题背景 | 第9-11页 |
| 1.2 国内外研究现状分析 | 第11-20页 |
| 1.2.1 国内外自动驾驶项目的发展历史 | 第12-15页 |
| 1.2.2 国内外微缩智能车的发展历史 | 第15-16页 |
| 1.2.3 自动驾驶技术研究现状 | 第16-19页 |
| 1.2.4 自动驾驶技术面临的挑战 | 第19-20页 |
| 1.3 本文主要研究内容及组织结构 | 第20-21页 |
| 第2章 基于计算机视觉的自动驾驶典型方法 | 第21-38页 |
| 2.1 引言 | 第21页 |
| 2.2 自动驾驶数据集 | 第21-23页 |
| 2.3 基于间接感知型结构的自动驾驶技术 | 第23-34页 |
| 2.3.1 目标检测 | 第23-26页 |
| 2.3.2 目标跟踪 | 第26-28页 |
| 2.3.3 场景语义分割 | 第28-30页 |
| 2.3.4 相机模型和标定 | 第30-32页 |
| 2.3.5 三维重建 | 第32-34页 |
| 2.4 基于直接感知型结构的自动驾驶技术 | 第34-36页 |
| 2.5 基于端到端控制的自动驾驶技术 | 第36-37页 |
| 2.6 基于计算机视觉的自动驾驶方法对比分析 | 第37页 |
| 2.7 本章小结 | 第37-38页 |
| 第3章 基于端到端控制的自动驾驶算法设计 | 第38-51页 |
| 3.1 引言 | 第38页 |
| 3.2 算法概述 | 第38-39页 |
| 3.3 卷积神经网络（CNN）设计与实现 | 第39-47页 |
| 3.3.1 损失函数 | 第39-40页 |
| 3.3.2 网络结构 | 第40-41页 |
| 3.3.3 卷积层 | 第41-42页 |
| 3.3.4 激活函数 | 第42-44页 |
| 3.3.5 优化方法 | 第44-46页 |
| 3.3.6 参数初始化 | 第46-47页 |
| 3.4 提升泛化能力和训练加速 | 第47-50页 |
| 3.4.1 防止过拟合 | 第47-49页 |
| 3.4.2 网络预训练 | 第49-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第4章 基于微缩智能车的自动驾驶实验和分析 | 第51-62页 |
| 4.1 引言 | 第51页 |
| 4.2 微缩智能车平台设计 | 第51-54页 |
| 4.3 实验设计与分析 | 第54-59页 |
| 4.3.1 训练数据采集 | 第54-56页 |
| 4.3.2 训练结果与分析 | 第56-58页 |
| 4.3.3 CNN可视化分析 | 第58-59页 |
| 4.4 实测结果与分析 | 第59-61页 |
| 4.4.1 实测结果 | 第59-60页 |
| 4.4.2 对比分析 | 第60-61页 |
| 4.5 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第70-72页 |
| 致谢 | 第72页 |
